Vērtības piedāvājums
Izstrādātā tehnoloģija piedāvā papildu diferenciālā privātuma (DP) aizsardzību federatīvajai mācīšanās (FL) sistēmai, izceļot uzlabotās privātuma priekšrocības. Tās demonstrācijas rīks ilustrē mākslīgā intelekta moduļa apmācības procesu, izmantojot CALCE datu kopu, lai novērtētu bateriju atlikušo kalpošanas laiku (RUL). DP modulis ir ieviests ar OPACUS DP bibliotēku, un to var ieslēgt vai izslēgt. Vairāku klientu FL apmācība tiek simulēta ar atsevišķiem procesiem vienā Docker konteinerā. Aizsardzības līmeņus var uzraudzīt, izmantojot epsilon vērtības (ε-privātuma budžetu), kuras sistēma aprēķina katra apmācības cikla beigās.
Biznesa un inovācijas perspektīva
Ļoti bieži organizācijām nav pieejami pietiekami daudz datu, lai tās vienas pašas apmācītu dziļos neironu tīklu modeļus (Deep Learning DL). Tās varētu risināt šo problēmu kooperējoties un apmainoties datiem ar citām organizācijām, tomēr datu aizsardzības nolūkos bieži tas nav iespējams (piemēram, medicīnas nozarē organizācijas nevar atļaut brīvu piekļuvi šādiem sensitīviem datiem). Izstrādātais EDI risinājums ļauj sastrādāties vairākām organizācijām un apmācīt mākslīgā intelekta modeļus bez tiešas datu apmaiņas.
Tehnoloģijas gatavības līmenis (TRL): 4
Intelektuālā īpašuma statuss: komercnoslēpums (know-how)
Projekti: PowerizeD
Tehniskā specifikācija
Izstrādātā sistēma īsteno laika rindu federatīvo mācīšanos (FL), kas papildināta ar diferenciālā privātuma (DP) aizsardzību, lai nodrošinātu atlikušā kalpošanas laika (RUL) prognozēšanu, izmantojot CALCE bateriju datu kopu. Šajā arhitektūrā tika simulēta vairāku klientu AI modeļu apmācība, izmantojot akumulatoru laika rindu datus un neizpaužot neapstrādāto datu kopumus. Procesā centrālais serveris koordinē globālo apmācību, izmantojot federatīvās vidējās vērtības aprēķināšanas (FedAvg) algoritmu. Katrā globālajā kārtā serveris izplata jaunākos globālos modeļu parametrus dalībniekiem, kuri veic vairākus lokālus mini-partiju apmācības posmus un pēc tam nosūta serverim tikai modeļu atjauninājumus vai gradientu apkopojumus. Lai stiprinātu privātuma aizsardzību, sistēmā ir integrēta OPACUS DP bibliotēka, kuru var dinamiski ieslēgt vai izslēgt, pievienojot troksni un gradientu nogriešanu apmācītajiem modeļu atjauninājumiem, kas nodrošina datu privātumu. Daudzklientu FL vide tiek simulēta kā atsevišķi procesi vienā Docker konteinerā, nodrošinot efektīvu eksperimentēšanu un mērogojamību. Privātuma aizsardzības efektivitāte tiek uzraudzīta, izmantojot epsilon (ε) privātuma budžetu, kas tiek aprēķināts pēc katra apmācības cikla, ļaujot novērtēt kompromisu starp modeļa precizitāti un privātuma garantijām.
Sadarbības veids
Līgumpētījumi: Tehnoloģijas pielāgošana klienta specifiskajām vajadzībām vai tālāka kopizstrāde.